"联邦学习作为一种有前景的去中心化机器学习方法，面临着若干可扩展性问题，这些问题可能阻碍其广泛应用。一个主要的挑战是协调参与训练过程的多个设备或节点。随着设备数量的增加，相关的通信和同步开销可能变得显著。例如，如果有1,000个设备参与，模型需要在本地训练后聚合每个设备的更新，这要求高效的数据传输，并可能引入延迟。这种开销可能会减慢整体训练过程，使其在需要快速模型更新的场景下显得不够实用。
另一个可扩展性问题是设备能力和网络条件的差异。参与联邦学习的设备通常具有不同的计算能力、内存和电池寿命。例如，一个强大的服务器可能与处理能力有限的旧智能手机配对。这种不一致性可能导致设备之间的贡献不均衡；某些设备的训练更新速度远快于其他设备。若许多设备反应慢或离线，整个训练过程可能出现瓶颈，从而阻碍模型及时更新或改进。这种差异在试图创建公平代表所有参与设备的统一模型时构成了问题。
最后，数据分布在可扩展性挑战中扮演着重要角色。在联邦学习中，数据通常是非独立同分布（non-IID）的，这意味着不同的设备可能持有并不代表整体人群的数据。例如，用户的本地数据集可能主要由来自特定地区或人群的图像组成。这可能导致模型在多样化数据集上的泛化能力较差，从而导致性能不佳。解决这些问题通常需要强大的设计策略，例如调整聚合算法或实施更高效的通信协议，以确保联邦学习在设备数量持续增长的情况下依然有效和可扩展。"